ChatTutor：让 AI 教师真正「动手」教学

一个 STEM 学生的真实困境

小明在复习高等数学「分部积分」时，遇到了一道需要反复画图理解的题目。他在传统 AI 聊天机器人里输入了题目，AI 给了详细的文字推导——可是公式套来套去，他越看越懵。「如果有个白板能把每一步画出来就好了」，小明嘀咕道。

这就是 ChatTutor 诞生的初衷：打破 AI 教学「只会打字」的局限，让 AI 真正像老师一样「动手」在电子白板上画图、推导、演示。

项目背景与起源

ChatTutor 由独立开发团队 HugeCat Lab 于 2025 年 11 月开源，项目聚焦于 STEM（科学、技术、工程、数学）学科的 AI 辅助教育。团队观察到，尽管 ChatGPT、Claude 等通用大模型在教育场景已有大量应用，但它们与真实课堂中的教师相比，始终缺少一个关键能力——可视化表达。在数学推导、几何证明、物理建模等需要大量图形辅助的场景中，文字的局限性尤为突出。

作为一个定位明确的垂直工具，ChatTutor 没有试图做通用 AI 导师，而是专精于「交互式白板 + AI」的结合。2025 年上线后迅速获得关注，目前在 GitHub 已积累超过 1200 Stars，主要用户群体为 STEM 学习者和教育科技开发者。

核心功能：从「打字对话」到「动手教学」

ChatTutor 最大的创新在于将 Geogebra 数学画板 和 Mermaid 思维导图 嵌入 AI 教学流程中。AI 代理在对话过程中，可以根据语义自动决定何时调用白板工具，在对应的画板上实时渲染数学图形、几何构造或结构化图表。

具体来说，AI 教师会使用 GGBScript（Geogebra 脚本语言）在画板上动态添加交互元素：函数图像随参数变化实时更新，几何图形标注关键点与角度，复杂证明可以分步骤逐帧展示。每一块白板都有独立的页面（page），AI 可以「翻页」组织教学内容，这与真实课堂的讲课节奏高度吻合。

图1：ChatTutor 数学画板演示，AI 在电子白板上动态绘制函数图像与几何标注

Mermaid 模式则用于生成结构化图表，适合讲解知识框架、流程逻辑、分类体系等需要全局视图的内容。与纯文字描述相比，可视化图表能帮助学生快速建立知识结构的「地图感」。

图2：ChatTutor Mermaid 思维导图，AI 动态生成知识结构图

技术架构：Monorepo 分层设计

ChatTutor 采用了 pnpm Monorepo 架构，项目根目录管理多个独立子包：

Agent 模块 是整个系统的核心。它基于 Vercel AI SDK 的 streamText 实现流式对话，Agent 在接收用户输入后，会根据 Prompt 中定义的 System Prompt（专门的 STEM 教学专家角色）决定输出策略——是继续文字讲解，还是调用白板工具。工具调用通过解析 LLM 返回的 ggbscript[...] 指令块来实现，代码中的 block-parser.ts 负责识别和分发这些指令到对应的白板页面。

图3：ChatTutor 数学画板支持多步骤推导与交互式参数调节

AI 模型的调用通过 gateway.ts 统一封装，支持 OpenAI、Anthropic 和 DeepSeek 三大主流 LLM 提供商，用户可在设置页自由切换模型。这种灵活性确保了不同预算和使用场景下的可用性。

前端 使用 Vue 3 + Vite 构建，提供流畅的交互体验。服务端由 Bun 运行时驱动 Elysia.js（类 Express 的高性能 Web 框架），通过 Bun 的原生 HTTP 处理实现低延迟响应。

部署体验：一键启动的完整套件

ChatTutor 对部署体验做了充分优化。项目根目录提供了开箱即用的 docker-compose.yml，包含三个核心服务：

• PostgreSQL：数据持久化存储
• Client（API Server）：由 packages/client/Dockerfile 构建，基于 oven/bun:1 多阶段镜像
• Web（前端）：由 packages/web/Dockerfile 构建，Nginx 托管静态资源

用户只需三步即可完成本地部署：

1. git clone 克隆仓库
2. 复制 .env.example 为 .env，填入 AI API Key 和数据库密码
3. docker compose up -d 启动

整个部署不依赖 GPU，适合普通开发机和学生用户。需要注意的是，由于 AI 对话功能依赖用户自备的 API Key，无法在纯离线环境下运行。

当前局限与争议

尽管 ChatTutor 概念新颖，但它也存在一些不可回避的问题：

1. 依赖外部 AI API Key。项目本体只提供前端和调度逻辑，所有对话生成都走外部 LLM API。这意味着用户必须持有 OpenAI/Anthropic/DeepSeek 的账户和额度，无法开箱即用。这对于技术小白或教育欠发达地区用户来说，仍有一定门槛。

2. 学科覆盖仍较窄。当前版本主要面向 STEM，尤其是数学和理工科。Mermaid 思维导图适合结构化知识，但人文社科类学科的「可视化」需求差异很大，目前的能力边界尚未拓展到这些领域。

图3不支持自动评分或知识追踪。系统目前只能「教」，不能评估学生掌握程度。如果要实现自适应学习路径，还需要额外的数据层支持。

行业意义与趋势

ChatTutor 的出现折射出一个更大的趋势：AI 教育工具正在从「问答式」向「教学式」进化。传统的 AI 辅助学习主要是问答机器人——学生提问，AI 回答。但真实的教学还包括演示、练习、反馈等多个环节，而可视化的电子白板恰好填补了「演示」这一环。

从 GitHub Stars 增长曲线看，STEM 垂直赛道的 AI 教育工具正在快速崛起。ChatTutor 凭借明确的定位（Geogebra + AI）和相对完整的部署方案，在同类项目中具备差异化竞争力。未来如果能结合自动评分系统或知识图谱，将进化为一个真正的自适应 AI 教学平台。